[发明专利]基于图增强时间-空间模型的位置预测系统及方法

说明书

一种基于图增强时间‑空间模型的兴趣点推荐系统及方法，针对下一个兴趣点推荐任务，利用兴趣点的地理信息与用户‑兴趣点交互信息捕获兴趣点之间的复杂地理关系。同时，利用用户历史交互序列捕获用户特异的时间依赖关系。在获得时间与空间依赖关系后，采用注意力机制进行聚合建模用户对兴趣点的兴趣。最终，完整的推荐模型根据建模得到的用户对兴趣点的兴趣评分预测用户对兴趣点在下一时刻的访问概率，为用户生成推荐结果。

技术领域

本发明涉及的是一种神经网络应用领域的技术，具体是一种基于图增强时间-空间模型的未来兴趣点推荐系统。

背景技术

现有的下一个兴趣点推荐系统，往往仅使用相邻兴趣点之间的地理距离作为模型的输入，无法建模兴趣点之间复杂的地理影响。

经过对现有技术的检索发现，中国专利文献号CN114021011A公开日20220208，公开一种基于自注意力机制的下一个兴趣点推荐方法，首先对序列信息、时空信息以及上下文相关的动态社会关系进行集成建模；其次设计了两个并行通道(长/短期通道)建模用户及其好友的长/短期偏好，利用自注意力机制捕获用户任意两个历史签到之间的长距离依赖关系；最后预测用户在下一时刻对兴趣点的偏好得分。但该现有技术难以对用户访问历史的时间依赖关系进行合理的捕获。具体地，在建模长短期偏好时，该现有技术仅采用vanilla注意力机制建模用户序列中兴趣点表示之间的相互影响，并无针对访问序列的时间信息进行建模的设计，没有考虑序列中的时间依赖关系对用户兴趣的影响该技术缺少对于兴趣点转移关系这一重要地理影响的建模，兴趣点作为事实存在的物理地点，具有很强的上下文关系，该技术缺乏这部分设计该技术对距离关系的建模方法需要优化。该技术构建的L2L图直接采用地理距离作为边权重，没有进行合理的正则化和数值规范化，在具体实现中可能产生数值差异过大而导致的模型难以收敛的问题；该技术缺乏对时间信息与空间信息的合理整合。该技术直接将地理相关的信息作为原始输入用于对序列的建模，由于地理信息与时间信息的分布一般不同，这种结构将两种不同类型的信息串行在一起难以对它们进行合理的捕获。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于图增强时间-空间模型的兴趣点推荐系统，通过利用图嵌入技术对兴趣点语义图进行信息提取，获得兴趣点之间的高阶空间依赖关系，通过利用LSTM以及注意力机制对用户的时间依赖以及兴趣点之间的空间依赖关系进行自适应的融合。

本发明是通过以下技术方案实现的：

本发明涉及一种基于图增强时间-空间模型的兴趣点推荐方法，包括：

步骤1)数据预处理：将访问记录的格式进行统一，并对记录做简单的清洗。按照时间顺序为每一位用户生成历史访问序列。

步骤2)构建兴趣点语义图：根据所有兴趣点的坐标信息与所有用户-兴趣点交互记录构建基于地理距离的语义图与基于转移关系的语义图，分别用以保存兴趣点之间的距离关系与转移关系。

步骤3)构建并训练图增强时间-空间模型，该模型包括：空间依赖模块、时间依赖模块和空间-时间依赖聚合模块，其中：空间依赖模块首先采用嵌入操作获得兴趣点关于距离关系与转移关系的嵌入向量，再根据步骤2)构建的两种兴趣点语义图，对该两种兴趣点语义图进行图嵌入操作用以获得对应的兴趣点的空间依赖表示；时间依赖模块首先采用嵌入操作获得兴趣点自身的嵌入表示，再采用LSTM对用户的历史访问序列进行建模，将序列的最后一个输出作为用户的时间依赖信息；空间-时间依赖聚合模块根据注意力机制将上述获得的兴趣点空间依赖信息与用户的时间依赖信息进行聚合，首先将时间依赖信息作为注意力机制的查询，将序列中兴趣点的空间依赖表示作为注意力机制的键与值进行聚合，并将该聚合后获得的结果与兴趣点的空间依赖加和以获得用户特异的空间依赖，再将时间依赖，用户特异的空间依赖加和后的得到用户对兴趣点的偏好分数。

所述的空间依赖模块采用高斯核函数对距离进行建模：